排序方式： 共有8条查询结果，搜索用时 15 毫秒
1
1.
网络传输可以分为四种形态：“一对一”,“多对一”,“一对多”和“多对多”。“一对一”是问题分解的终极,而“多对多”则是效率所追求的终极。由四种形态之间转变展开讨论,为了提高效率,网络传输应该转向“多对多”。群对群是“多对多”的另一种传输方式,或者说,是强调分群的“多对多”传输。 相似文献
2.
由群所组成且涉及群与群关系的网络称为G2G网络,群是一些具有相同属性节点的聚合。G2G通信可以描述为：将内容从源端（群）传送到目的群。G2G网络使用了G2G／CDS协议来实现内容发布,即将参与分发内容的节点分群,用控制数据集（CDS）来管理节点,用G2G传输原理来实现G2G传输。G2G／CDS简单和有效地解决了“如何管理节点”和“如何传输”的G2G通信问题,并为解决“如何保障传输的QoS”问题打下基础。G2G络是一种能有效且容易实现多对多网络通信的网络模型,擅长解决需要精确控制的网络通信问题,尤其是内容发布。 相似文献
3.
TSP（旅行商问题）作为一种解决组合优化问题的有效方法,在近几十年来受到了广泛的研究。理论证明它是一个典型的NP难问题,为了更快捷地求解,候选集方法在多种求解算法比如LKH算法中都有用到,一般是用于产生一个接近局部最优的初始解,较少用于寻路过程中。本文提出了一种新的简单的候选集方法,它采用一种新的距离度量,更好地符合了对称TSP的寻路规则。将其应用于最大最小蚁群算法（MMAS）的寻路过程中,实验结果表明针对对称TSP问题,该方法能比基本的MMAS取得更好的性能。这种候选集方法也可以用于其他求解对称TSP问题的进化计算。 相似文献
4.
群对群（G2G）计算是一种基于G2G网络的分布式计算。G2G计算得益于灵活的分群,相同属性或任务的群内计算。本文提出了一个有门户网站结构,基于G2G计算的搜索服务。G2G搜索服务是一个混合搜索系统,既有分布式的搜索服务,又采用了集中式的搜索服务。采用G2G搜索服务的好处之一是,用户既参与了系统的分布式搜索任务,又能向系统请求搜索服务。采用G2G搜索服务的好处之二是,用部分的集中式结构把分散的局域搜索系统关联起来,扩大了系统的搜索效能。 相似文献
5.
群对群（G2G）计算是一种基于G2G网络的分布式计算。由群所组成且涉及群与群关系的网络称为G2G网络,群是一些具有相同属性节点的聚合。G2G计算定义了4种基本运算：传递（Transfer）,交换（Exchange）,节点处理（NodeProcess）和变形（Transmute）。用4种基本运算可以搭建不同的G2G计算。G2G计算得益于灵活的分群,相同属性或任务的群内计算,以及群对群的多对多连接。G2G计算还具有灵活的体系结构。G2G计算是灵活,方便和有效的分布式计算。 相似文献
6.
对于演化计算,变异和杂交这样的算子是在完全没有导向的方式产生的新个体。选择算子在演化过程中起着导向的作用,使得个体沿着适应值优良的方向演化。选择算子是在演化过程唯一受适应值影响的组件。本文将讨论现在流行的选择算子的选择压力并比较他们的影响。选择算子在演化过程中应用较好适应值的个体信息并传递到后代,为算法设计中挑选选择算子提供理论依据。 相似文献
7.
RBF-SVM是场景分类中主流的分类算法之一,C和γ是其优化参数。本文分析了场景分类中RBF-SVM优化参数的形态分布,从实验结果发现场景分类中RBF-SVM参数优化属于多峰值的优化问题。参数与分类精确度之间不具有显式的函数关系,并且最优解的搜索空间很大,用传统的网格算法和枚举法很难满足需求。演化算法具有自组织、自适应、自学习等智能特征,是解决场景分类中RBF-SVM参数优化的有效途径。 相似文献
8.
传统的演化规划(CEP)依赖高斯变异算子,而快速演化规划(FEP)选择柯西分布作为主要的变异算子。改进的快速演化规划(IFEP)是将柯西变异算子和高斯变异算子的搜索倾向混合起来。每个父代生成两个子代,一个有柯西变异算子,另一个有高斯变异算子,然后比较这两个子代,将变现好的一个保留作为下一代。在本文,我们提出了一种极值导向的自适应变异算子演化规划(OSDEP),它的基本思想是将当前最优搜索方向引入柯西变异算子中,在OSDEP中每个个体在柯西变异算子作用下,再沿着当前最优解的方向进行搜索。大量的数值试验对OSDEP,IFEP,FEP和CEP进行比较。从这些具有广泛代表性的七个测试函数的数值试验结果,我们可以观察到对于单峰函数、有少数局部最优的多峰函数和有很多局部最优的多峰函数DSEP比IFEP,FEP和CEP都要表现好。 相似文献
1